微軟真是活菩薩，面向初學者的機器學習、數據科學、AI、LLM課程統統免費
大家好，我是老章
推薦幾個質量上乘且完全免費的微軟開源課程
面向初學者的機器學習課程
地址：https://microsoft.github.io/ML-For-Beginners/#/
學習經典機器學習，主要使用 Scikit-learn 作爲庫，本課程不涉及深度學習，這部分會在後面介紹的“初學者人工智能”課程中涉及，本課程與第二部分的面向初學者的數據科學課程是姐妹篇。
課程大綱：
| 課號 | 話題 | 課程分組 | 學習目標 |
|---|---|---|---|
| 01 | 機器學習簡介 | 介紹 | 瞭解機器學習背後的基本概念 |
| 02 | 機器學習的歷史 | 介紹 | 瞭解該領域的歷史 |
| 03 | 公平與機器學習 | 介紹 | 學生在構建和應用機器學習模型時應該考慮哪些關於公平的重要哲學問題？ |
| 04 | 機器學習技術 | 介紹 | 機器學習研究人員使用哪些技術來構建機器學習模型？ |
| 05 | 迴歸簡介 | 迴歸 | 開始使用 Python 和 Scikit-learn 構建迴歸模型 |
| 06 | 北美南瓜價格🎃 | 迴歸 | 可視化和清理數據，爲機器學習做好準備 |
| 07 | 北美南瓜價格🎃 | 迴歸 | 建立線性和多項式迴歸模型 |
| 08 | 北美南瓜價格🎃 | 迴歸 | 構建邏輯迴歸模型 |
| 09 | 網絡應用程序🔌 | 網頁應用程序 | 構建一個網絡應用程序來使用您訓練過的模型 |
面向初學者的數據科學課程
地址：https://microsoft.github.io/Data-Science-For-Beginners/#/
爲期 10 周、20 課時的數據科學課程，每節課都包括課前和課後測驗，學習數據科學的基本原理，包括道德概念、數據準備、處理數據的不同方式、數據可視化、數據分析、數據科學的實際用例等等。
課程大綱：
| 課號 | 話題 | 課程分組 | 學習目標 |
|---|---|---|---|
| 01 | 定義數據科學 | 介紹 | 瞭解數據科學背後的基本概念以及它與人工智能、機器學習和大數據的關係 |
| 02 | 數據科學倫理 | 介紹 | 數據倫理概念、挑戰和框架 |
| 03 | 定義數據 | 介紹 | 數據如何分類及其常見來源 |
| 04 | 統計與概率概論 | 介紹 | 用於理解數據的概率和統計數學 |
| 05 | 使用關係數據 | 處理數據 | 關係數據簡介以及使用結構化查詢語言（ SQL）探索和分析關係數據的基礎知識 |
| 06 | 使用 NoSQL 數據 | 處理數據 | 介紹非關係數據、其各種類型以及探索和分析文檔數據庫的基礎知識 |
| 07 | 使用Python | 處理數據 | 使用 Python 通過 Pandas 等庫進行數據探索的基礎知識，建議對 Python 編程有基本的瞭解 |
| 08 | 數據準備 | 處理數據 | 有關清理和轉換數據以應對數據丟失、不準確或不完整的挑戰的數據技術的主題 |
| 09 | 可視化數量 | 數據可視化 | 瞭解如何使用 Matplotlib 可視化鳥類數據 🦆 |
值得一提的是，本課程還配套了很多高清手繪風格的章節總結：
面向初學者的AI課程
地址：https://microsoft.github.io/AI-For-Beginners/
在本課程中，將學習：
- 人工智能的不同方法，包括帶有知識表示和推理的“古老”符號方法（GOFAI）。
- 神經網絡和深度學習是現代人工智能的核心，使用兩個最流行的框架（TensorFlow和PyTorch）中的代碼來說明這些重要主題背後的概念。
- 用於處理圖像和文本的**神經架構，介紹最新的模型
- 不太流行的人工智能方法，例如遺傳算法和多代理系統。
每節課都包含一些預讀材料和一些可執行的 Jupyter Notebook，它們通常特定於框架（PyTorch或TensorFlow）。
面向初學者的生成式人工智能
地址：https://microsoft.github.io/generative-ai-for-beginners
通過 12 課時綜合課程，瞭解構建生成式 AI 應用程序的基礎知識。
課程大綱
| 概念 | 學習目標 | ||
|---|---|---|---|
| 00 | 課程簡介 - 如何學習本課程 | 技術設置和課程結構 | 在學習本課程的同時幫助您取得成功 |
| 01 | 生成式人工智能和法學碩士簡介 | 概念：生成式人工智能和當前的技術前景 | 瞭解什麼是生成式 AI 以及大型語言模型 (LLM) 的工作原理。 |
| 02 | 探索和比較不同的法學碩士 | 概念：測試、迭代和比較不同的大型語言模型 | 爲您的使用案例選擇正確的型號 |
| 03 | 負責任地使用生成式人工智能 | 概念：瞭解基礎模型的侷限性和人工智能背後的風險 | 瞭解如何負責任地構建生成式人工智能應用程序 |
| 04 | 瞭解快速工程基礎知識 | 代碼/概念：即時工程最佳實踐的實際應用 | 瞭解提示結構和用法 |
| 05 | 創建高級提示 | 代碼/概念：通過在提示中應用不同的技術來擴展您的提示工程知識 | 應用提示工程技術來改善提示結果。 |
| 06 | 構建文本生成應用程序 | 代碼：使用 Azure OpenAI 構建文本生成應用程序 | 瞭解如何有效地使用令牌和溫度來改變模型的輸出 |
| 07 | 構建聊天應用程序 | 代碼：有效構建和集成聊天應用程序的技術。 | 確定關鍵指標和注意事項，以有效監控和維護人工智能聊天應用程序的質量 |
| 08 | 構建搜索應用程序矢量數據庫 | 代碼：語義搜索與關鍵字搜索。瞭解文本嵌入及其如何應用於搜索 | 創建一個使用嵌入來搜索數據的應用程序。 |
| 09 | 構建圖像生成應用程序 | 代碼：圖像生成以及爲什麼它在構建應用程序中很有用 | 構建圖像生成應用程序 |
| 10 | 構建低代碼人工智能應用程序 | 低代碼： Power Platform 中的生成式 AI 簡介 | 使用低代碼爲我們的教育初創公司構建學生作業跟蹤應用程序 |
| 11 | 將外部應用程序與函數調用集成 | 代碼：什麼是函數調用及其應用程序用例 | 設置函數調用以從外部 API 檢索數據 |
| 12 | 爲人工智能應用程序設計用戶體驗 | 概念：設計人工智能應用以實現信任和透明 | 開發生成式人工智能應用程序時應用用戶體驗設計原則 |